PQuMAL
Photonische Quantenschaltkreise für quantenbasiertes maschinelles Lernen
Neue Konzepte für lernfähige Maschinen
Die Entwicklung kognitiver Technologien, d. h. von Maschinen, die z. B. das Lernen und das Lösen von Problemen beherrschen, hat bestehende Computertechnik an ihre Grenzen gebracht. Mit dem Einsatz modernster maschineller Lernkonzepte konzentrieren sich heutzutage Forschung und Industrie auf die Automatisierung von Prozessen und neue intelligente Dienste z. B. für Spracherkennung, medizinische Diagnosen oder autonome Fahrzeuge. Inspiriert von der Art und Weise wie das Gehirn Informationen verarbeitet, werden neuartige Ansätze, wie beispielsweise neuronale Netze, für die Analyse großer Datensätze verwendet. Diese Ansätze erfordern jedoch auf klassischen Computerchips sehr lange Berechnungszeiten, was letztendlich den breiten Einsatz dieser Konzepte in neuen Anwendungen, z. B. auf der Sensorebene in Robotern, verhindert.
Die Entwicklung von Quantencomputern soll gegenüber klassischen Maschinen eine erheblich schnellere Verarbeitung von sehr großen Datenmengen ermöglichen. Die Kombination aus maschinellem Lernen und Quantenmechanik sollte daher durch die Ausnutzung quantenmechanischer Effekte wie Quantensuperposition und Verschränkung die erforderlichen Berechnungen maschineller Lernverfahren beschleunigen können.
Effektives Quantencomputing mit photonischen integrierten/faser-basierten Systemen
Im Laufe der letzten Jahre ist das Feld der integrierten/faser-basierten Quantenoptik schnell fortgeschritten. So wurden integrierte Lichtquellen für verschränkte Photonen, effiziente „On-Chip“-Einzelphotonendetektoren, sowie Quantenschaltkreisen demonstriert. Trotz der technologischen Vorteile und der prinzipiellen Möglichkeit einer Systementwicklung wurden diese optischen Quantensysteme jedoch noch nicht für die Realisierung von Quantenrechnern für maschinelle Lernverfahren ausgenutzt.
Ziel dieses Vorhabens ist es daher die anwendungsnahe Erforschung einer photonischen Quantenplattform, die spezifisch auf die Nutzung des quantenmaschinellen Lernens zugeschnitten ist. Mittels neuartiger Zustandskonzepte sollen integrierte/faser-basierte Quantenelemente entwickelt werden, die hohe Informationskapazitäten ermöglichen, sowie Kontrollelemente, die eine Manipulation der speziellen Zustände zulassen.
Das Vorhaben wird hierzu die Fortschritte der hochent-wickelten Telekommunikationstechnologie und der Chipherstellungsindustrie nutzen mit dem Ziel, kosten- und energieeffiziente quantenoptische Prozessoren zu realisieren, die kompakt, auf der Sensorebene einsetzbar, sowie zur Massenproduktion geeignet sind.
